相关系数计算器

根据成对数值数据计算 Pearson 和 Spearman 相关系数

输入数据对或两列对齐数值，衡量线性关系和秩关系强度，并输出协方差和回归线辅助信息。

示例结果

1 个示例

比较学习时间和考试成绩

为成对观测计算 Pearson 和 Spearman 相关系数。

{
  "result": {
    "pearsonCorrelation": 0.9995,
    "spearmanCorrelation": 1
  }
}
查看输入参数
{ "pairedData": "1, 52\n2, 57\n3, 63\n4, 68\n5, 74", "xValues": "", "yValues": "", "correlationMethod": "both", "decimalPlaces": 4, "confidenceLevel": 95 }

关键信息

分类
数学、日期与金融
输入类型
textarea, text, select, number
输出类型
json
样本覆盖
3
支持 API
Yes

概览

相关系数计算器是一款专业的在线统计工具，旨在帮助用户快速计算成对数值数据的皮尔逊（Pearson）和斯皮尔曼（Spearman）相关系数。无论是评估两组变量之间的线性关系，还是衡量其单调秩关系，只需输入数据对或分别输入 X 和 Y 值，即可一键获取精确的统计结果，适用于学术研究、数据分析和商业决策等多种场景。

适用场景

  • •需要评估两组连续变量之间是否存在显著的线性关系时（如身高与体重）。
  • •数据不满足正态分布，需要使用非参数方法（斯皮尔曼秩相关）衡量变量关联性时。
  • •进行基础统计分析，需要快速获取相关系数、协方差及回归线辅助信息时。

工作原理

  • •在文本框中按行输入成对的数值数据（如 1, 52），或分别在 X 值和 Y 值框中输入对齐的数列。
  • •选择所需的相关系数计算方法（皮尔逊线性相关、斯皮尔曼秩相关或两者皆算）。
  • •根据需要调整结果保留的小数位数和置信水平（默认 95%）。
  • •系统自动处理数据并输出包含相关系数值的结构化 JSON 结果。

使用场景

市场营销分析：计算广告投入费用与最终销售额之间的相关性，评估营销转化效果。
教育评估：分析学生的学习时长与考试成绩之间的关联程度，为教学策略提供数据支持。
金融投资：衡量两只股票或资产收益率之间的相关系数，用于投资组合的风险对冲分析。

用户案例

1. 比较学习时间与考试成绩

教育研究员
背景原因
研究员收集了5名学生的每周额外学习时间（小时）和期末考试成绩（分）。
解决问题
需要快速验证学习时间与成绩之间是否存在正向的线性或单调关系。
如何使用
在“数据对”框中按行输入成对数据，选择“Pearson 和 Spearman 都计算”，并设置保留4位小数。
示例配置
{
  "correlationMethod": "both",
  "decimalPlaces": 4
}
效果
结果显示皮尔逊相关系数为 0.9995，斯皮尔曼相关系数为 1，证明两者存在极强的正相关关系。

2. 广告支出与网站流量关联分析

市场数据分析师
背景原因
分析师手头有过去几个月每日的广告支出金额和对应的网站独立访客数，且数据中存在几天极高的异常流量。
解决问题
评估增加广告预算是否能稳定带来流量增长，同时需要排除极端异常值的干扰。
如何使用
分别在“X 值”和“Y 值”框中输入支出和流量的数列，选择“斯皮尔曼秩相关”以降低极端值影响。
示例配置
{
  "correlationMethod": "spearman",
  "confidenceLevel": 95
}
效果
快速获得斯皮尔曼相关系数，准确反映了广告支出与流量之间的单调递增关系，有效排除了异常值的干扰。

用 Samples 测试

math-&-numbers
BDD with Cucumber - 行为驱动开发实践
全面的 Cucumber BDD 示例，包括功能文件、步骤定义、数据表格、钩子和高级 BDD 模式，用于协作开发
keywords data
sample
Grafana 高级应用示例
全面的 Grafana 示例，涵盖高级仪表板设计、告警配置、数据源集成和插件开发
keywords data
sample
WebRTC 实时通信示例
全面的 WebRTC 示例，用于点对点音视频通信、数据通道、屏幕共享和信令服务器实现
keywords data
sample

相关专题

Math& Numbers Convert工具专题
探索 45 个围绕 math 的 &-numbers-convert 工作流工具，快速找到相近能力。
音频编码与格式转换工具
在一个专题里比较音频格式转换、码率调整、采样率转换、编码切换和导出工具，适合交付与归档工作流。
图片格式转换与动画导出工具
在一个专题里比较 JPG、PNG、GIF、AVIF、WebP、TIFF、ICO、base64 以及动画导出相关的图片格式转换工具。
JSON 交换与格式翻译工具
在一个专题里比较 JSON 与 CSV、YAML、TOML、GraphQL、XML、Markdown、Excel、BSON、EDN 等结构化格式之间的转换工具。

常见问题

皮尔逊和斯皮尔曼相关系数有什么区别？

皮尔逊用于衡量两个连续变量之间的线性关系，要求数据大致符合正态分布；斯皮尔曼则基于数据的秩次，用于衡量单调关系，对异常值更具鲁棒性。

如何输入我的数据？

您可以每行输入一对用逗号分隔的数值（如 1, 52），或者分别在 X 值和 Y 值输入框中填入逗号分隔的数列。

工具对输入的数据格式有什么要求？

无论使用数据对输入还是分别输入 X 和 Y 值，两组数据的数量必须完全一致且一一对应，否则无法进行计算。

计算结果中的置信水平有什么用？

置信水平（如 95%）用于评估相关系数的统计显著性，帮助判断样本数据反映总体真实相关性的可靠程度。

如果我的数据包含缺失值怎么办？

请在输入前清理数据，确保每一对 X 和 Y 值都是完整且对齐的数值，剔除包含缺失值的行。

API 文档

请求端点

POST /zh/api/tools/correlation-calculator

请求参数

参数名 类型 必填 描述
pairedData textarea 否 -
xValues text 否 -
yValues text 否 -
correlationMethod select 否 -
decimalPlaces number 否 -
confidenceLevel number 否 -

响应格式

{
  "key": {...},
  "metadata": {
    "key": "value"
  },
  "error": "Error message (optional)",
  "message": "Notification message (optional)"
}
JSON数据: JSON数据

AI MCP 文档

将此工具添加到您的 MCP 服务器配置中： 

{
  "mcpServers": {
    "elysiatools-correlation-calculator": {
      "name": "correlation-calculator",
      "description": "根据成对数值数据计算 Pearson 和 Spearman 相关系数",
      "baseUrl": "https://elysiatools.com/mcp/sse?toolId=correlation-calculator",
      "command": "",
      "args": [],
      "env": {},
      "isActive": true,
      "type": "sse"
    }
  }
}

你可以串联多个工具，比如：`https://elysiatools.com/mcp/sse?toolId=png-to-webp,jpg-to-webp,gif-to-webp`，最多20个。

如果遇见问题，请联系我们：[email protected]